Professional Documents
Culture Documents
FACULTAD DE CIENCIAS
DEPARTAMENTO DE MATEMTICAS
MATERIA: PROCESOS ESTOCSTICOS II
Profesor: Rubn Daro Castaeda B.
FECHA: 21 de enero de 2015.
TEMA: INTRODUCCIN
Procesos estocsticos (concepto).
Muchos problemas exigen tomar decisiones a partir de fenmenos o procesos que
tienen asociada a ellos algn grado de incertidumbre, normalmente generada por la
variacin inherente aleatoria no posible de controlar, como el caso de algunos
fenmenos naturales. Se denomina proceso estocstico a toda variable que
evoluciona a lo largo del tiempo de forma total o parcialmente aleatoria (definicin del
Matemtico Kolmogorov (1903-1987). Un ejemplo, es la temperatura en Bogot,
aumenta durante el da y baja durante la noche; aumenta en el verano y desciende
mucho en invierno (das de invierno y das de verano, se dice del clima bogotano, hoy
superando temperaturas de 23C y en las madrugadas -2C); su variacin es
parcialmente determinstica y parcialmente aleatoria. Otro ejemplo, es la variacin del
precio de las acciones de Pacific Rubiales (aunque han perdido el 60%
aproximadamente de su valor en los ltimos tres meses debido a la baja del precio de
petrleo por barril y negociaciones sobre una posible venta), que evoluciona de forma
aleatoria, pero a largo plazo tiene una tasa de crecimiento esperada positiva o negativa
como en este caso, que no compensa a los inversores por el riesgo que corren al
poseer el activo financiero. Sin embargo es muy necesario tener prudencia en las
inversiones: caso de interbolsa en nuestro pas.
X t , t T
T
Una coleccin
. Normalmente
es el conjunto de enteros no negativos y
Xt
t
representa una caracterstica medible en el tiempo .
t
Esto quiere decir que para cada instante , tendremos una variable aleatoria distinta
Xt
representada por
, por lo que un proceso estocstico puede interpretarse como una
sucesin de variables aleatorias cuyas caractersticas pueden variar a lo largo del
tiempo.
A los posibles valores que puede tomar la variable aleatoria se denomina estados, por
lo tanto podemos tener un espacio de estados discreto o continuo.
De otra parte, la variable del tiempo puede ser de tipo discreto o continuo.
Discreto: los cambios de estado se realizan en horas, das, semanas, aos, etc.
Continuo: los cambios de estado se realizan en cualquier instante t.
Clasificacin:
+
R x
Definicin:
Se denomina conjunto de estados E, al conjunto de los posibles valores que pueden
Xt t
tomar las variables aleatorias {
} R
Xt
Nota: En general, se piensa en el subndice t como el indicativo del tiempo y en
como el estado o posicin del proceso estocstico en el instante t.
Ejemplos:
Xt
a. El nmero
Xt
b. El nmero
Xt
e. La cantidad
horas.
f.
El nmero de autos
en das.
Xt
g. El nmero
atendidas.
Xt
h. El valor
.
Xt
i.
Nmero
Nmero
Nmero
Nmero
de
de
de
de
P x k
La funcin de densidad de la probabilidad de POISSON es:
E x
2 Var x
y la varianza son respectivamente:
k e
k!
: la media
EJEMPLO:
En un banco se desea conocer el nmero de clientes que ingresan en un tiempo de 30
minutos, el nmero promedio que llega en este lapso de tiempo es de 10 clientes,
determinar:
a. La probabilidad de que no llegue ningn cliente en este lapso de tiempo.
b. La probabilidad de que lleguen exactamente cinco clientes en este lapso de
tiempo.
c. La probabilidad de que lleguen ms de tres clientes en este lapso de tiempo.
d. La probabilidad de que lleguen entre 4 y 7 clientes inclusive en este lapso de
tiempo.
e. La probabilidad de que lleguen exactamente cinco clientes en un lapso de
tiempo de 18 minutos.
EJEMPLO:
Los trabajos de reparacin que llegan a un taller en forma totalmente aleatoria, con
una media de 10 diarios.
a. Cul es la cantidad promedio de trabajos que se reciben diariamente en el taller?
b. Cul es la probabilidad de que no lleguen trabajos durante el da?
c. Cul es la probabilidad de que lleguen 4 trabajos exactamente durante cualquier
hora del da?
EJEMPLO:
DISTRIBUCIN EXPONENCIAL
Si la cantidad de llegadas a una instalacin de servicio se apega a una distribucin de
POISSON, entonces, la distribucin del intervalo de tiempo (continuidad) entre las
llegadas sucesivas tiene una distribucin exponencial. Si
entre llegadas
f (t ) e x , x 0
sucesivas
es:
La media y la varianza:
la
grfica
se
puede
visualizar:
y
, El hecho de que la distribucin
exponencial sea aleatoria, implica que la llegada de un cliente o la terminacin de un
servicio no est influenciado por el tiempo que haya transcurrido desde la ocurrencia
del evento anterior. A este resultado se le llama amnesia o prdida de memoria. Es
xt
importante tener en cuenta que para un valor:
, se tendr la probabilidad
acumulada de
x0
hasta
xt
F (t )
dt
. De otra parte es
Es la frecuencia, rapidez o tasa
EJEMPLO:
El propietario de una farmacia local sabe que en promedio, llegan cuatro clientes cada
10 minutos.
a. Encuentre la probabilidad de que el tiempo entre llegadas no se mayor de un
minuto.
b. Que el tiempo entre llegadas sea menor de cinco minutos.
c. Que el tiempo entre llegadas est entre 2 y 3 minutos.
RELACIN ENTRE LA DISTRIBUCIN DE POISSON Y LA EXPONENCIAL
La distribucin de Poisson da una descripcin del nmero de ocurrencias por
intervalo, la distribucin exponencial aporta una descripcin de la longitud de los
intervalos entre ocurrencias.
EJEMPLO
Suponga que el nmero de automviles que llegan a un lavado de autos con una
media de 10 automviles por hora. Determinar
a. La probabilidad de que lleguen exactamente seis automviles en una hora.
b. La probabilidad de que dos automviles lleguen en menos de 15 minutos.
EJERCICIOS